基于云的分析即服务满足深入挖掘数据分析

在云计算之前，上一个数据仓库和商业智能项目通常意味着花费数月获取硬件和软件，实现自定制设计的数据仓库，同时符合其他业务需求。转移到基于云的数据分析服务，允许你用更多的时间分析，用更少的时间管理硬件和软件。

就像其他的的应用领域，云让服务交付更快，资本密集减少且更加灵活。硬件和软件在按需付费的基础上可用。随着评估云分析或者分析即服务（AaaS）提供商，考虑如何实现下面的关键需求：分析和报告、数据上传和可视化。

基于云的业务分析控制板和ETL工具

分析和报告结合成为业务分析的核心。分析和报告覆盖了大部分范围，从使用内部系统数据生成基础报告到结合第三方数据源进行深入的客户数据视图的数据挖掘技术。

那么，从数据分析工具你需要什么呢？在所有企业需要的是基础报告时，不需要在案例中用先进的现金的数据挖掘深入研究业务分析。相反，开始使用工具，允许你部署控制面板。

控制台就是用户界面，提供相关数据的多种类型视图，允许用户研究和钻取有关数据。当报告的边界好处变小，企业应该关注先进的分析技术。使用这些工具不需要统计学博士，但是你需要对于分析技术的基本理解，比如分类、归并、回归和文本挖掘。

此外，抽取转换加载（ETL）工具和服务可以协助从源系统到你的业务分析数据库转移数据的流程自动化。这些工具提供比用于加载数据的脚本语言更高一层的功能。比如，ETL工具支持复杂工作流、追踪元数据并生成数据质量统计。并不是实现和维护ETL工具，你可以贯穿一些分析提供商使用ETL即服务模型。

确保ETL工具和你需求的数据源兼容。几乎所有的ETL工具都和关系型数据、XML源和文本文件相处很好；然而，大型机数据和企业应用，比如CRM和ERP系统对于一些ETL工具更具挑战。

可视化：深入挖掘数据分析

和分析以及报告有密切关系的是数据可视化。业务数据可以以很多不同的方式切片和切块。比如，你可以看到基于销售的客户特征、地理或者销售渠道。一旦你有一套数据，就会希望鉴定问题区域，比如表现不佳的商店或者未开发的市场。按照这些不同类型的数字行和列来观察洞察力太低。

可视化旨在对比数据。颜色编码Maps通过商店标记了销售，协助执行层快速评估大量销售数据。

在选择采用哪一种可视化时，考虑可用的不同类型，随后只部署你需要的那一种。在提到可视化时，质量比数量重要。也有助于获得终端用户的反馈。他们比任何人都了解可视化是否有用。。

使用分析即服务可以协助企业获取客户和运营的洞察力，同时减少管理支出，尽管不能消除。企业IT能够对数据管理负责，因此要看看服务是否有很好的元数据支持。业务分析元数据应该包括数据集加载、源系统命名、数据元素定义以及质量控制衡量的相关信息。当你想要集成不同源的数据集时，这种类型的数据尤为重要。

数据属性命名容易被误解，因此保持所有属性的相关定义。这将允许你因为多种原因操作数据集，同时减少基于不如实叙述的数据做出决策的风险。